Santiago de Chile, 14 de Julio de 2025.
Este informe documenta el trabajo realizado en el marco del proyecto, orientado a analizar los patrones de viaje urbano en Santiago de Chile, con énfasis en la Avenida Andrés Bello, antes y después del término de la política de reversibilidad vehicular.
El objetivo principal es caracterizar los cambios en el uso de la avenida y sus usuarios durante los años 2023 (con reversibilidad) y 2024 (sin reversibilidad), mediante el análisis masivo de registros de conexiones móviles (XDR), enriquecidos con atributos espaciales y temporales. Particular atención se dedica a identificar perfiles de usuarios, flujos AM/PM, direcciones de desplazamiento, y su relación con zonas de residencia y trabajo.
El estudio emplea técnicas avanzadas de procesamiento distribuido en PySpark, permitiendo escalar el análisis a miles de millones de registros. Se implementó un pipeline optimizado que permite reconstruir trayectorias, etiquetar viajes relevantes y agregarlos en distintas dimensiones analíticas (tipo de usuario, día, sentido, comuna, etc.).
Todos los datos utilizados en este estudio están debidamente anonimizados y tratados de forma agregada, cumpliendo con estándares de privacidad y protección de datos personales. No se accede a identidades reales ni se realiza seguimiento individualizado. El procesamiento de los datos se realizó íntegramente en un servidor privado de alto rendimiento perteneciente a la Universidad del Desarrollo (UDD), lo cual entrega una capa adicional de seguridad y control sobre los flujos de información sensibles.
Este trabajo corresponde a una etapa inicial exploratoria, cuyo propósito fue evaluar la viabilidad técnica y metodológica de obtener patrones de movilidad útiles a partir de datos de red móvil. El objetivo a largo plazo es desarrollar un sistema que permita anticipar, de forma costo-efectiva, el impacto que podría tener una medida como la eliminación o implementación de reversibilidad vial. Dado que los estudios tradicionales que fundamentan estas decisiones suelen implicar altos costos y largos plazos de ejecución, esta metodología ofrece la posibilidad de generar evidencia preliminar temprana, que actúe como insumo para decidir si vale la pena encargar o no una evaluación formal de impacto vial.
Los registros de tipo XDR (eXtended Data Records) utilizados en este estudio corresponden a eventos de conexión móvil generados por usuarios al interactuar con la red celular de Telefónica Chile. Estos eventos pueden representar conexiones de datos o señales de localización, y se caracterizan por estar georreferenciados a través de una torre celular (bts_id) y un identificador de celda (cell_id), junto con un timestamp preciso.
Los datos usados corresponden al mes de abril para los años 2023 y 2024, exclusivamente para usuarios ubicados en el área urbana de Santiago, con una frecuencia y granularidad suficientes para reconstruir trayectorias de viaje. En total, el volumen de registros supera los 2.200 millones, lo cual motivó el uso exclusivo de procesamiento distribuido sobre Spark.
Cada registro XDR contiene al menos los siguientes campos relevantes para el análisis:
id_usuario: identificador anónimo del dispositivosrc_timestamp: marca de tiempo del eventocell_id: celda de conexiónbts_id: torre correspondiente a la celdaEl preprocesamiento incluyó:
id_usuario y timestamp para mantener la secuencia de eventos.id_usuario, lo cual permite aplicar transformaciones orientadas a usuario sin perder contexto temporal.Dado el volumen y el detalle de los registros, esta capa representa la base sobre la cual se construyen todas las etapas posteriores del análisis. La calidad de estos datos es crítica, ya que cualquier error en la temporalidad o georreferenciación podría afectar la detección de trayectorias, cálculo de velocidades, o segmentación por periodo y sentido.
El análisis de movilidad se sustenta en la correcta georreferenciación de los eventos XDR, lo que requiere contar con una base de torres celulares (bts_id) asociadas a sus respectivas celdas (cell_id) y coordenadas geográficas. Para ello, se utilizó un dataset externo que contiene la localización precisa de cada torre y la lista de celdas que la componen.
Cada torre fue representada como un punto geográfico con coordenadas en el sistema de referencia EPSG:4326, permitiendo su integración con capas geográficas urbanas, zonas EOD y buffers espaciales personalizados sobre la Avenida Andrés Bello.
Los pasos realizados sobre esta base fueron:
cell_id, bts_id).trip_towers, donde cada fila representa una celda única, con su geometría y atributos asociados.Este dataset es esencial para varios componentes del análisis:
Además, esta base sirvió como nexo para unir los eventos XDR con capas adicionales como zonas EOD, comunas urbanas y clusters de actividad, lo que habilita análisis comparativos más robustos.
Gráfico de elaboración propia
Para enriquecer el análisis de movilidad con contexto territorial, se integraron dos capas geográficas clave: comunas urbanas de Santiago y una capa personalizada de buffers espaciales construidos sobre la Avenida Andrés Bello.
Se utilizó una capa poligonal oficial que define los límites de las comunas urbanas del Gran Santiago. Esta capa permitió:
home y work location.Dado que la Avenida Andrés Bello es un eje lineal de alta movilidad, se construyó una geometría de control compuesta por:
A cada segmento se le asignó un identificador (tramo_id), lo cual permitió:
viaja_por_ab = 1). Solo cuando ha cruzado por al menos 2 checkpoints de forma consecutiva.flujo_ab) comparando el orden en que se han cruzado dos checkpoints consecutivos de la avenida, sin importar donde empezó o terminó el viaje.oriente_poniente y poniente_oriente).
Gráfico de elaboración propia
Para este estudio, la Avenida Andrés Bello fue delimitada entre los siguientes extremos geográficos:
Estas geometrías fueron esenciales para detectar los viajes relevantes al estudio y permitir comparaciones pre y post reversibilidad
A partir de los eventos ordenados cronológicamente por usuario, se construyó un conjunto de transiciones espaciales entre torres consecutivas, con el fin de estimar movimientos y velocidades entre puntos de conexión.
Cada transición incluye:
src_bts)dst_bts)delta_time)distance)heuristic = distance / delta_time)Estas transiciones fueron agrupadas en secuencias de eventos que permitieron distinguir entre trayectos activos y momentos de inactividad. Para ello, se aplicó una clasificación binaria is_trip a cada transición, según reglas heurísticas:
Posteriormente, se construyó el campo activity_id, un identificador acumulativo por usuario que cambia cada vez que se detecta una transición de estado (de no viaje a viaje o viceversa). Esto permitió segmentar cada secuencia de eventos en bloques consistentes:
is_trip = 1 → actividad considerada como trayectois_trip = 0 → evento no asociado a desplazamientoEste enfoque permitió conservar la estructura secuencial de los datos, respetando la temporalidad y sin necesidad de ventanas móviles artificiales.
Una vez segmentadas las actividades individuales de cada usuario, se extrajeron aquellas clasificadas como trayectos (is_trip = 1) para construir el conjunto consolidado de viajes (trips_df).
Cada viaje se definió como una secuencia continua de eventos de desplazamiento entre torres, y fue identificado por la combinación de id_usuario y activity_id. Para cada viaje se extrajeron los siguientes atributos clave:
tower_origin: primera torre de la secuenciatower_destination: última torre de la secuenciadeparture_time: timestamp del primer eventodelta_dist: suma de las distancias entre cada par de torresduration: tiempo total transcurrido en minutoswaypoint_towers: lista de torres intermediasnum_events: cantidad de transiciones que componen el viajeday y month: extraídos del timestamp de inicioEstos viajes fueron almacenados en un DataFrame particionado por año, mes y día, para facilitar su lectura eficiente en etapas posteriores.
Paralelamente, se construyó el dataset trip_segments_df, que contiene todas las transiciones individuales clasificadas como parte de un viaje. Este archivo permite:
Ambos datasets son claves para los análisis posteriores: trips_df se utiliza para agrupar, clasificar y visualizar viajes, mientras que trip_segments_df permite trazabilidad y reconstrucción detallada cuando es necesario.
Una vez definidos los viajes individuales, se procedió a incorporar información adicional relacionada con su localización y contexto temporal. Este enriquecimiento permitió filtrar los viajes relevantes para el estudio, en particular aquellos que recorren la Avenida Andrés Bello.
Para determinar si un viaje pasó por Andrés Bello, se utilizó la capa de segmentos perpendiculares creados a lo largo del eje vial. Cada segmento cuenta con un identificador único (tramo_id) y fue construido como un rectángulo de 150x600 metros, separado 200 metros del siguiente.
Se definió como viaje por Andrés Bello (viaja_por_ab = 1) a aquel que:
Este criterio evita falsos positivos causados por movimientos cercanos pero no alineados al eje vial.
Se determinó el sentido de desplazamiento de cada viaje que cruzó Andrés Bello, comparando el orden de los tramo_id:
tramo_id bajos a altos: poniente_orientetramo_id altos a bajos: oriente_ponienteEsto permite clasificar los flujos en dos grandes direcciones sin necesidad de conocer el punto de origen ni destino absoluto del viaje.
El campo flujo_ab incluye tres categorías:
oriente_ponienteponiente_orientelocal (para viajes que no se pudo determinar el sentido)Se incorporaron también variables temporales clave:
period: clasifica cada viaje como AM (07:30–10:00) o PM (17:00–21:00)dia_semana: nombre del día correspondienteEstas etiquetas permiten agrupar viajes por contexto horario y evaluar patrones diferenciados entre mañanas y tardes, así como días de semana versus fines de semana.
Para caracterizar los patrones de movilidad de los usuarios más allá de los trayectos individuales, se estimaron sus zonas de residencia y trabajo a partir de su comportamiento agregado en distintos días y horarios.
El procedimiento se basó en detectar las torres más frecuentadas por cada usuario en franjas horarias específicas, aplicando un enfoque por ventanas temporales y frecuencia de conexión:
home_location): Entre las 23:00 y 06:00 en días laborales.work_location): Entre las 09:00 y 18:00 en días laborales.Ambas ubicaciones se registraron como cell_id, bts_id, y su geometría correspondiente (geometry_home, geometry_work), lo cual permitió su uso en análisis espaciales posteriores.
Para este análisis se consideraron únicamente los usuarios con información directa de ubicación de residencia (home_bts_id) y/o trabajo (work_bts_id) en el año correspondiente a cada viaje. No se aplicaron imputaciones cruzadas entre años ni reemplazos por datos alternativos (como usar work en lugar de home), con el fin de garantizar que todos los resultados reflejen únicamente información observada. Esto asegura una interpretación más precisa, aunque implica que ciertas zonas pueden estar subrepresentadas si la información está incompleta.
La localización de hogar y trabajo fue clave para:
Estos atributos están integrados en el dataset principal de usuarios, y permiten cruzar cada viaje con su contexto espacial más estable.
Para caracterizar la diversidad de comportamiento entre los usuarios que transitan por la Avenida Andrés Bello, se aplicó una estrategia de segmentación basada en aprendizaje no supervisado.
A partir de dos variables clave:
num_viajes: total de viajes por Andrés Bello durante el mesdias_distintos: número de días distintos en los que el usuario realizó viajesse construyó un modelo de clustering para identificar perfiles de uso sin imponer categorías predefinidas.
Previo al entrenamiento, los datos fueron normalizados y filtrados de outliers para asegurar estabilidad de las métricas. Se evaluaron múltiples algoritmos de agrupamiento: K-Means, Gaussian Mixture Models (GMM) y Aglomerativo, seleccionando finalmente K-Means por su simplicidad interpretativa y su alto desempeño cuantitativo, con un Silhouette Score de 0.8627.
El modelo fue entrenado con los usuarios del año 2023, y posteriormente aplicado a los usuarios del año 2024 manteniendo los mismos parámetros y rangos, lo cual permite comparaciones directas entre ambos años sin sesgo por reentrenamiento.
Se identificaron tres perfiles principales de usuarios:
Esta clasificación se encuentra registrada en el campo cluster_km, y fue empleada en los análisis interanuales, comparaciones por comuna, persistencia de usuarios y visualizaciones de trayectorias.
Para validar que los perfiles generados mediante clustering (bajo, medio y alto) reflejan diferencias reales en los patrones de comportamiento, se presenta a continuación los box plot de las variables (num_viajes) y (dias_distintos). Estas distribuciones confirman que los grupos capturan comportamientos crecientemente intensivos.
num_viajes por perfil usoGráfico de elaboración propia
Los usuarios del perfil bajo presentan una concentración extrema de valores cercanos al mínimo (1 viaje). El perfil medio muestra una mediana en torno a 2–3 viajes, con ligera dispersión hacia valores más altos. El perfil alto se caracteriza por una mayor dispersión y una mediana más elevada (5 viajes), evidenciando una frecuencia de uso significativamente mayor.
dias_distintos por perfil usoGráfico de elaboración propia
El perfil bajo está acotado a 1 día de actividad, lo que indica comportamiento esporádico. El perfil medio se sitúa entre 2 y 3 días distintos, con poca variabilidad. En contraste, el perfil alto muestra una distribución más amplia, centrada entre 4 y 6 días, con casos extremos que alcanzan 10 o más días activos. Esto demuestra que los usuarios intensivos no solo realizan más viajes, sino que lo hacen con mayor regularidad a lo largo del mes.
Con el objetivo de evaluar el impacto del término de la reversibilidad en Avenida Andrés Bello, se realizó una comparación cuantitativa entre los meses de abril de 2023 (con reversibilidad) y abril de 2024 (sin reversibilidad), utilizando métricas consolidadas de todos los viajes y usuarios.
Al aplicar filtros de paso por Av. Andrés Bello, horario AM/PM y sentido del flujo, se observó:
| categoría | 2023 | 2024 | variación % |
|---|---|---|---|
| usuarios únicos | 18.250 | 11.884 | -34,88 |
| total viajes | 23.449 | 15.555 | -33,66 |
| viajes/usuario | 1,28 | 1,31 | 1,87 |
Tabla de elaboración propia
A pesar de la fuerte caída en la cantidad de usuarios y viajes, el promedio de viajes por usuario se mantuvo constante o incluso subió levemente, lo que sugiere que los usuarios más intensivos siguieron usando la vía.
La siguiente tabla descompone la cantidad de usuarios únicos según el sentido del flujo y la franja horaria (AM/PM).
| sentido del flujo | periodo | 2023 | 2024 | variación % |
|---|---|---|---|---|
| oriente a poniente | AM | 3.253 | 2.159 | -33,63 % |
| PM | 7.237 | 4.403 | -39,16 % | |
| poniente a oriente | AM | 4.618 | 3.081 | -33,28 % |
| PM | 5.521 | 3.800 | -31,17 % |
Tabla de elaboración propia
El impacto de la reversibilidad parece haber sido más fuerte en el periodo PM, especialmente en el flujo oriente a poniente, lo que podría indicar una reorganización del viaje de retorno tras la jornada laboral.
Aquí se compara la cantidad total de viajes en cada combinación de sentido y franja horaria:
| sentido del flujo | periodo | 2023 | 2024 | variación % |
|---|---|---|---|---|
| oriente a poniente | AM | 3.647 | 2.504 | -31,34 % |
| PM | 8.344 | 5.172 | -38,02 % | |
| poniente a oriente | AM | 5.171 | 3.527 | -31,79 % |
| PM | 6.287 | 4.352 | -30,78 % |
Tabla de elaboración propia
Nuevamente, el periodo PM muestra las caídas más grandes, lo que refuerza la idea de que el término de la reversibilidad impactó más en los trayectos de retorno.
Este cuadro muestra la intensidad de uso promedio (viajes por usuario) en cada combinación:
| sentido del flujo | periodo | 2023 | 2024 | variación % |
|---|---|---|---|---|
| oriente a poniente | AM | 1,12 | 1,16 | 3,45 % |
| PM | 1,15 | 1,17 | 1,88 % | |
| poniente a oriente | AM | 1,12 | 1,14 | 2,23 % |
| PM | 1,14 | 1,15 | 0,57 % |
Tabla de elaboración propia
Si bien el número de usuarios cae, los que permanecen realizan una cantidad similar o incluso levemente superior de viajes. Esto refuerza la hipótesis de desaparición de usuarios ocasionales, con retención de perfiles más intensivos.
La tabla muestra cómo varió la composición de usuarios por clúster:
| perfil | 2023 | 2024 | variación % |
|---|---|---|---|
| bajo | 15.544 | 9.981 | -35,79 % |
| medio | 2.304 | 1.571 | -31,81 % |
| alto | 402 | 332 | -17,41 % |
Tabla de elaboración propia
El perfil alto de uso fue el menos afectado por la caída. Esto sugiere que los usuarios con viajes sistemáticos mantuvieron su patrón, mientras que los perfiles más esporádicos fueron los más impactados.
Finalmente, se analiza la distribución de viajes por tipo de usuario:
| perfil | 2023 | 2024 | variación % |
|---|---|---|---|
| bajo | 15.870 | 10.091 | -36,41 % |
| medio | 5.316 | 3.623 | -31,85 % |
| alto | 2.263 | 1.841 | -18,65 % |
Tabla de elaboración propia
La caída en cantidad de viajes sigue el mismo patrón: los usuarios bajos reducen drásticamente su volumen, mientras que los usuarios altos mantienen gran parte de su movilidad.
Esta tabla muestra la relación promedio de viajes por usuario dentro de cada perfil, permitiendo observar si la intensidad individual cambió, más allá del volumen total.
| perfil | 2023 | 2024 | variación % |
|---|---|---|---|
| bajo | 1,02 | 1,01 | -0,97 % |
| medio | 2,31 | 2,31 | -0,05 % |
| alto | 5,63 | 5,55 | -1,50 % |
Tabla de elaboración propia
El número de viajes promedio por usuario se mantuvo prácticamente constante en todos los perfiles, con variaciones menores al 2%. Esto refuerza la idea de que el cambio estructural vino por la pérdida de usuarios, y no por un cambio en la conducta individual de quienes permanecieron activos.
En esta sección se analiza exclusivamente a los 1.871 usuarios que estuvieron presentes tanto en abril de 2023 como en abril de 2024. Esto permite evaluar cambios de comportamiento dentro de una misma población, eliminando la influencia de usuarios que aparecen o desaparecen entre años.
El total de viajes realizados por esta cohorte se redujo de 3.713 en 2023 a 3.474 en 2024, lo que representa una caída moderada del 6,44%.
A diferencia de la caída global observada en la sección anterior, que fue superior al 30%, la disminución en la cohorte estable es más acotada, lo que sugiere que los cambios generales se explican principalmente por la desaparición de usuarios esporádicos o marginales.
El desglose por sentido y franja horaria muestra que los usuarios únicos de la cohorte disminuyeron ligeramente en casi todas las combinaciones, pero sin grandes variaciones:
| sentido del flujo | periodo | 2023 | 2024 | variación % |
|---|---|---|---|---|
| oriente a poniente | AM | 505 | 453 | -10,30 % |
| PM | 853 | 781 | -8,44 % | |
| poniente a oriente | AM | 591 | 573 | -3,05 % |
| PM | 706 | 684 | -3,12 % |
Tabla de elaboración propia
En cuanto al volumen de viajes, los patrones son similares, con caídas del orden de -7% a -8% en oriente a poniente, y valores casi estables en poniente a oriente (especialmente en AM, donde apenas varía un -0,39%).
| sentido del flujo | periodo | 2023 | 2024 | variación % |
|---|---|---|---|---|
| oriente a poniente | AM | 673 | 615 | -8,62 % |
| PM | 1.229 | 1.138 | -7,40 % | |
| poniente a oriente | AM | 778 | 775 | -0,39 % |
| PM | 1.033 | 946 | -8,42 % |
Tabla de elaboración propia
Los datos sugieren una leve contracción del uso en la cohorte estable, especialmente en dirección oriente a poniente, que podría relacionarse con un cambio en los modos de transporte utilizados en el retorno a casa.
Al analizar la intensidad de uso (viajes por usuario), se observa lo siguiente:
| sentido del flujo | periodo | 2023 | 2024 | variación % |
|---|---|---|---|---|
| oriente a poniente | AM | 1,33 | 1,36 | 1,87 % |
| PM | 1,44 | 1,46 | 1,13 % | |
| poniente a oriente | AM | 1,32 | 1,35 | 2,74 % |
| PM | 1,46 | 1,38 | -5,48 % |
Tabla de elaboración propia
Aunque los viajes totales bajaron, los usuarios que se mantuvieron tienden a conservar sus hábitos, con aumentos marginales en la mañana y una caída puntual en la tarde hacia el oriente. Esto podría estar relacionado con trayectos alternativos.
En conjunto, estos resultados sugieren que los cambios observados en el conjunto total se explican más por composición de usuarios que por modificaciones de comportamiento en quienes se mantienen activos.
Para descartar que la caída en el uso de Andrés Bello esté vinculada exclusivamente a los horarios punta, se analizó también el comportamiento en los periodos intermedios y nocturnos, es decir, fuera de las franjas AM y PM con los siguientes resultados.
| categoría | 2023 | 2024 | variación % |
|---|---|---|---|
| usuarios únicos | 23.891 | 17.850 | -25,29 % |
| total de viajes | 32.903 | 25.512 | -22,46 % |
Tabla de elaboración propia
La caída en la cantidad de usuarios y viajes fuera de AM/PM confirma que el fenómeno observado no se limita a los horarios punta, sino que refleja una reducción transversal en el uso del corredor a lo largo del día. Esto refuerza la hipótesis de una menor dependencia general de Andrés Bello como eje articulador tras la eliminación de la reversibilidad.
Para entender cómo evolucionó el comportamiento de los usuarios que estuvieron presentes en ambos años (cohorte estable), se construyó un gráfico de tipo Sankey que visualiza las transiciones de perfil de uso entre abril de 2023 y abril de 2024.
Cada nodo representa un grupo de usuarios según su perfil (bajo, medio, alto), y cada flujo entre nodos indica cuántos usuarios cambiaron (o no) de perfil. Además, se incluyen las variaciones promedio de viajes por mes y días activos por usuario para cada transición. El gráfico permite observar si los usuarios se mantuvieron estables, aumentaron o redujeron su nivel de uso, más allá de la cantidad absoluta de viajes.
Nota: El orden vertical de los nodos no representa jerarquía. Para identificar las transiciones, observe las etiquetas y colores según la simbología incluida. Cada flujo representa la cantidad de usuarios que pasó de un perfil a otro, junto con variaciones promedio en viajes diarios (Δ viajes) y días activos (Δ días).
Gráfico de elaboración propia
Estabilidad mayoritaria, pero no dominante: 3 de las 9 transiciones representan usuarios que no cambiaron de perfil (bajo→bajo, medio→medio, alto→alto), sumando 1.075 usuarios (≈ 57.5 % del total). La mayoría mantuvo comportamiento, pero un 42.5 % cambió de perfil.
Transiciones descendentes: tendencia dominante: Las tres mayores caídas de perfil (alto→bajo, alto→medio, medio→bajo) involucran a 451 usuarios. Estas transiciones muestran fuertes reducciones en actividad, con caídas promedio de hasta −4 viajes y −3 días activos (alto→bajo).
Pocas, pero claras transiciones ascendentes: Casos como bajo→alto (47 usuarios) y medio→alto (68 usuarios) presentan los mayores incrementos en viajes y días activos, con subidas promedio de hasta +3 días.
Estabilidad más común en perfiles bajos: El mayor grupo es bajo→bajo con 803 usuarios (≈ 43 % del total), todos con cero variación promedio. Esto sugiere un uso marginal y sostenido, sin afectación significativa del cambio vial.
En conjunto, los resultados indican que, si bien más de la mitad de los usuarios mantuvo su perfil, existe una fracción importante que redujo su intensidad de uso en 2024. Este fenómeno se alinea con los descensos globales observados en viajes, y refuerza la hipótesis de un ajuste moderado en la conducta de parte de los usuarios estables.
Con el objetivo de enriquecer el análisis de movilidad, se identificaron las zonas de residencia (home_location) y trabajo (work_location) de los usuarios que transitaron por la Avenida Andrés Bello. A partir de estos puntos, se generaron visualizaciones espaciales y flujos home→work que permiten entender el rol de Andrés Bello en los trayectos cotidianos.
El siguiente gráfico presenta una matriz de combinaciones entre las ubicaciones de residencia y trabajo de los usuarios que realizaron viajes por Av. Andrés Bello en los años 2023 y 2024. Cada fila representa el estado del identificador de residencia (home_bts_id) y cada columna el estado del identificador de trabajo (work_bts_id), comparando ambos años para cada usuario.
Se incluyen las siguientes categorías:
mismo_home / mismo_work: el usuario mantuvo la misma torre entre 2023 y 2024.distinto_home / distinto_work: el usuario tiene torres distintas entre ambos años.solo_2023_home / solo_2023_work: el usuario solo tiene información en 2023.solo_2024_home / solo_2024_work: el usuario solo tiene información en 2024.Cada celda muestra la cantidad de usuarios que caen en esa combinación, y el color indica su magnitud.
Gráfico de elaboración propia
Existe una gran cantidad de usuarios que carece de datos comparables entre años:
El 47% de los usuarios tiene información directa de residencia (home_bts_id) o trabajo (work_bts_id) en ambos años. Esto se refleja en que la matriz muestra combinaciones para aproximadamente 13.946 usuarios de un total de 28.263, lo que confirma la necesidad de limitar los análisis comparativos a casos bien observados.
Estabilidad en el grupo con datos completos:
Entre los usuarios que tienen tantohomecomoworken ambos años: 8.701 mantuvieron la misma residencia y lugar de trabajo (mismo_homeymismo_work), es decir, un 62% del subconjunto con datos completos. Esto sugiere que existe una base estable que puede utilizarse para análisis longitudinales confiables.
Movilidad entre años: 5.299 cambiaron de residencia (
distinto_home) y 5.188 cambiaron de lugar de trabajo (distinto_work).
Presencia de registros unilaterales por año: 3.812 usuarios tienen solo
home_bts_iden 2023 y 2.134 tienen solohome_bts_iden 2024. Casos unilaterales enwork_bts_idson mucho menos frecuentes (solo 7 en 2023 y 14 en 2024). Esto puede reflejar rotación en la base de usuarios, cambios de cobertura o comportamiento esporádico de algunos individuos.
Esta sección contiene mapas y tablas con comparativas anuales respecto de las comunas de hogar y trabajo de los usuarios de Andrés Bello.
Gráfico de elaboración propia
| comuna | Q 2023 | Q 2024 | Δ cantidad % | % 2023 | % 2024 | Δ puntos % | Δ absoluta |
|---|---|---|---|---|---|---|---|
| PROVIDENCIA | 3.594 | 2.911 | -19,00 | 19,69 | 24,50 | 4,80 | 4,80 |
| SANTIAGO | 2.751 | 1.659 | -39,69 | 15,07 | 13,96 | -1,11 | 1,11 |
| LAS CONDES | 1.501 | 887 | -40,91 | 8,22 | 7,46 | -0,76 | 0,76 |
| ÑUÑOA | 1.153 | 826 | -28,36 | 6,32 | 6,95 | 0,63 | 0,63 |
| VITACURA | 686 | 373 | -45,63 | 3,76 | 3,14 | -0,62 | 0,62 |
Tabla de elaboración propia
Ver anexo "Distribución por comuna de residencia" con todas las comunas.
Gráfico de elaboración propia
| comuna | Q 2023 | Q 2024 | Δ cantidad % | % 2023 | % 2024 | Δ puntos % | Δ absoluta |
|---|---|---|---|---|---|---|---|
| PROVIDENCIA | 6.858 | 4.956 | -27,73 | 37,58 | 41,70 | 4,13 | 4,13 |
| LAS CONDES | 2.106 | 1.102 | -47,67 | 11,54 | 9,27 | -2,27 | 2,27 |
| VITACURA | 955 | 401 | -58,01 | 5,23 | 3,37 | -1,86 | 1,86 |
| LO BARNECHEA | 484 | 226 | -53,31 | 2,65 | 1,90 | -0,75 | 0,75 |
| RECOLETA | 561 | 429 | -23,53 | 3,07 | 3,61 | 0,54 | 0,54 |
Tabla de elaboración propia
Ver anexo "Distribución por comuna de trabajo" con todas las comunas.
Esta sección presenta la distribución espacial de los viajes laborales intercomunales, considerando el lugar de residencia (home) y el lugar de trabajo (work) de cada usuario. Los mapas de flujo permiten visualizar de forma intuitiva las rutas más frecuentes, destacando los principales orígenes y destinos laborales del eje.
Complementariamente, las tablas comparativas resumen los flujos hogar-trabajo en términos cuantitativos, contrastando los valores absolutos y relativos entre los años 2023 y 2024. Para cada combinación comuna_origen → comuna_destino se muestran:
Gráfico de elaboración propia
| comuna_home | comuna_work | Q 2023 | % 2023 | Q 2024 | % 2024 | Δ cantidad % | Δ puntos % | Δ absoluta |
|---|---|---|---|---|---|---|---|---|
| PROVIDENCIA | PROVIDENCIA | 2.549 | 13,97 | 2.068 | 17,40 | -18,87 | 3,43 | 3,43 |
| ÑUÑOA | PROVIDENCIA | 281 | 1,54 | 271 | 2,28 | -3,56 | 0,74 | 0,74 |
| SANTIAGO | LAS CONDES | 292 | 1,60 | 110 | 0,93 | -62,33 | -0,67 | 0,67 |
| LAS CONDES | LAS CONDES | 735 | 4,03 | 419 | 3,53 | -42,99 | -0,50 | 0,50 |
| SANTIAGO | VITACURA | 139 | 0,76 | 37 | 0,31 | -73,38 | -0,45 | 0,45 |
| PROVIDENCIA | SANTIAGO | 290 | 1,59 | 230 | 1,94 | -20,69 | 0,35 | 0,35 |
| PROVIDENCIA | LAS CONDES | 234 | 1,28 | 187 | 1,57 | -20,09 | 0,29 | 0,29 |
| VITACURA | VITACURA | 317 | 1,74 | 174 | 1,46 | -45,11 | -0,27 | 0,27 |
| LO BARNECHEA | LO BARNECHEA | 237 | 1,30 | 125 | 1,05 | -47,26 | -0,25 | 0,25 |
| RENCA | RENCA | 186 | 1,02 | 146 | 1,23 | -21,51 | 0,21 | 0,21 |
| QUINTA NORMAL | QUINTA NORMAL | 148 | 0,81 | 71 | 0,60 | -52,03 | -0,21 | 0,21 |
| SANTIAGO | SANTIAGO | 1.218 | 6,67 | 817 | 6,87 | -32,92 | 0,20 | 0,20 |
| PROVIDENCIA | RECOLETA | 51 | 0,28 | 56 | 0,47 | 9,80 | 0,19 | 0,19 |
| VITACURA | SANTIAGO | 75 | 0,41 | 26 | 0,22 | -65,33 | -0,19 | 0,19 |
| PUDAHUEL | PUDAHUEL | 119 | 0,65 | 55 | 0,46 | -53,78 | -0,19 | 0,19 |
| SANTIAGO | LO BARNECHEA | 56 | 0,31 | 16 | 0,13 | -71,43 | -0,17 | 0,17 |
| LAS CONDES | SANTIAGO | 121 | 0,66 | 59 | 0,50 | -51,24 | -0,17 | 0,17 |
| MAIPÚ | LAS CONDES | 62 | 0,34 | 21 | 0,18 | -66,13 | -0,16 | 0,16 |
| LA FLORIDA | PROVIDENCIA | 130 | 0,71 | 103 | 0,87 | -20,77 | 0,15 | 0,15 |
| SANTIAGO | RECOLETA | 35 | 0,19 | 41 | 0,35 | 17,14 | 0,15 | 0,15 |
Tabla de elaboración propia
Las siguientes observaciones se basan en los flujos con mayor cambio porcentual en su participación relativa entre 2023 y 2024.
Providencia como polo de atracción: El flujo intra-comunal en Providencia (residir y trabajar en la misma comuna) incrementó su participación en +3,43 puntos porcentuales, pasando de 13,97 % a 17,40 %. Esto ocurre a pesar de una caída en el número total de usuarios (−18,87 %), lo que sugiere una reconcentración del empleo local.
Caída en viajes hacia Las Condes: Se observan fuertes disminuciones en flujos laborales hacia Las Condes:
Santiago → Las Condes: −62,33 % en cantidad y −0,67 p.p
Maipú → Las Condes: −66,13 % en cantidad
Las Condes → Las Condes: −43,0 %.Esto sugiere una posible descentralización de oficinas, persistencia del teletrabajo, o cambios modales tras el fin de la reversibilidad.
Contracción de flujos internos: Las siguientes comunas muestran importantes caídas en flujos laborales internos:
- Vitacura → Vitacura: −45,11 %
- Lo Barnechea → Lo Barnechea: −47,26 %
- Quinta Normal → Quinta Normal: −52,03 %
- Pudahuel → Pudahuel: −53,78 %
Esto podría reflejar pérdida de actividad laboral local, cierre de oficinas pequeñas o cambios en patrones de desplazamiento.
Flujos intra-Santiago: El flujo Santiago → Santiago sigue siendo uno de los más altos en volumen (817 usuarios en 2024). La participación relativa se mantuvo casi sin cambios (+0,20 p.p.), lo que refleja estabilidad en la autosuficiencia laboral del centro de la ciudad.
Aumentos de flujos hacia Recoleta: Aunque con menor volumen, se observa un aumento en la proporción de flujos hacia Recoleta:
Providencia → Recoleta: +0,19 p.p.
Santiago → Recoleta: +0,15 p.p.Esto sugiere una moderada diversificación de destinos laborales, más allá del eje oriente tradicional.
Los flujos muestran una recentralización hacia Providencia, con retrocesos marcados hacia comunas del sector oriente como Las Condes y Vitacura. Santiago se mantiene relativamente estable, y aparecen señales de ajustes finos en los patrones laborales intercomunales.
Esta sección examina cómo cambiaron las características de los viajes realizados por Av. Andrés Bello considerando tres dimensiones fundamentales: distancia recorrida, duración del trayecto, y velocidad promedio. Los resultados están desagregados por día de la semana, sentido del flujo y franja horaria (AM/PM), permitiendo observar patrones finos y variaciones sistemáticas. Cabe señalar que cuando hablamos de viajes en esta sección, estamos haciendo un zoom solo al tramo que se recorre dentro de la avenida, sin importar de donde viene o a donde se dirige luego de pasar por ella.
El primer análisis compara la distancia promedio recorrida por los viajes según flujo y periodo.
| sentido del flujo | periodo | 2023 | 2024 | variación % |
|---|---|---|---|---|
| oriente a poniente | AM | 0,94 | 0,99 | 5,32 % |
| PM | 1,22 | 1,30 | 6,56 % | |
| poniente a oriente | AM | 1,20 | 1,25 | 4,17 % |
| PM | 1,01 | 1,08 | 6,93 % |
Tabla de elaboración propia
En todos los casos, los viajes por Av. Andrés Bello fueron más extensos en 2024, con aumentos de distancia promedio que oscilan entre +4,2% y +6,9% según combinación de flujo y periodo.
El incremento más alto se observó en el flujo poniente a oriente durante la tarde (PM), con un alza del 6,93%, seguido de cerca por el flujo oriente a poniente en el mismo periodo (+6,56%).
La siguiente tabla muestra el tiempo promedio (en minutos), que tomó completar un recorrido cualquiera dentro de la avenida.
| sentido del flujo | periodo | 2023 | 2024 | variación % |
|---|---|---|---|---|
| oriente a poniente | AM | 15,66 | 17,34 | 10,73 % |
| PM | 17,85 | 19,70 | 10,36 % | |
| poniente a oriente | AM | 16,97 | 18,30 | 7,84 % |
| PM | 15,95 | 17,80 | 11,60 % |
Tabla de elaboración propia
La duración media de los viajes también aumentó en todos los casos, con subidas entre +7,8% y +11,6%, lo que sugiere una pérdida de eficiencia en la circulación.
El mayor aumento se registró en el flujo poniente a oriente durante la tarde (PM), con un alza del 11,60%, seguido por el flujo oriente a poniente en la mañana (+10,73%).
Finalmente, se comparan las velocidades promedio (km/h) para los mismos tramos.
| sentido del flujo | periodo | 2023 | 2024 | variación % |
|---|---|---|---|---|
| oriente a poniente | AM | 4,27 | 3,92 | -8,20 % |
| PM | 4,66 | 4,32 | -7,30 % | |
| poniente a oriente | AM | 4,91 | 4,56 | -7,13 % |
| PM | 4,50 | 4,15 | -7,78 % |
Tabla de elaboración propia
A diferencia de las dos métricas anteriores, la velocidad promedio disminuyó en todas las combinaciones, con caídas entre −7,1% y −8,2%.
El descenso más fuerte se dio en el flujo oriente a poniente AM, con una caída del −8,20%, lo que indica una afectación más fuerte en la congestión de entrada a la ciudad.
A pesar de los viajes más largos en distancia, los usuarios tardaron más tiempo en completarlos, resultando en una disminución efectiva de la fluidez vial.
Los resultados muestran que, tras el término de la reversibilidad, los viajes por Avenida Andrés Bello no solo disminuyeron en volumen, sino que también se transformaron en su forma: son más largos, más lentos y duran más tiempo. Aunque las distancias recorridas aumentaron ligeramente, esto no se tradujo en mayores velocidades; por el contrario, la velocidad promedio cayó de forma sistemática en casi todos los días y periodos, como se puede ver en la sección 9.2 de los anexos. Este patrón sugiere una mayor congestión o pérdida de fluidez en el corredor, especialmente en la franja AM, justo donde la reversibilidad tenía un rol más crítico.
Esta tabla contiene el resumen agregado de cada métrica.
| categoría | 2023 | 2024 | variación % |
|---|---|---|---|
| distancia | 1.11 | 1.18 | 5.83 |
| duración | 16.79 | 18.46 | 9.98 |
| velocidad | 4.61 | 4.27 | -7.45 |
Tabla de elaboración propia
A continuación se pueden observar la apertura por días de la semana de las 3 métricas anteriores.
Gráfico de elaboración propia
El presente estudio permitió caracterizar los cambios en los patrones de uso de la Avenida Andrés Bello tras el fin de la reversibilidad vehicular. A través del análisis masivo de datos XDR y técnicas de procesamiento distribuido, se levantó evidencia sobre múltiples dimensiones del fenómeno: volumen de viajes, perfiles de usuario, flujos AM/PM, tramos utilizados, y desplazamientos intercomunales hogar-trabajo.
Entre los principales hallazgos se destacan:
No obstante, es importante subrayar que estos resultados no deben interpretarse como una evaluación definitiva del impacto vial del fin de la reversibilidad. El análisis presentado se enfoca exclusivamente en los viajes detectables vía red móvil, y no contempla otras formas de desplazamiento como transporte público, caminatas o uso de bicicletas, los cuales podrían haberse visto favorecidos por el cambio en la configuración vial.
Como siguiente etapa, proponemos avanzar en la construcción de un modelo predictivo de impacto vial ante cambios de configuración, especialmente:
Este informe constituye un primer paso hacia la construcción de sistemas de evaluación más ágiles y escalables para políticas de movilidad urbana, y demuestra que, con una buena base metodológica y datos de red apropiados, es posible generar evidencia temprana que contribuya a la toma de decisiones públicas.
Las siguientes tablas muestran la distribución de los usuarios únicos según su comuna de residencia y de trabajo, comparando los años 2023 y 2024. Para cada comuna se presenta tanto la cantidad total de usuarios en cada año (Q 2023, Q 2024) como su variación porcentual (Δ cantidad %), junto con los porcentajes que estos representan sobre el total anual (% 2023, % 2024). Además, se calcula la diferencia en puntos porcentuales (Δ puntos %) y su magnitud absoluta (Δ absoluta) como medida del cambio relativo en la participación. Las filas están ordenadas por la magnitud del cambio porcentual (Δ absoluta), destacando las comunas con mayor reconfiguración en su rol como origen o destino de viajes.
| comuna | Q 2023 | Q 2024 | Δ cantidad % | % 2023 | % 2024 | Δ puntos % | Δ absoluta |
|---|---|---|---|---|---|---|---|
| PROVIDENCIA | 3.594 | 2.911 | -19,00 | 19,69 | 24,50 | 4,80 | 4,80 |
| SANTIAGO | 2.751 | 1.659 | -39,69 | 15,07 | 13,96 | -1,11 | 1,11 |
| LAS CONDES | 1.501 | 887 | -40,91 | 8,22 | 7,46 | -0,76 | 0,76 |
| ÑUÑOA | 1.153 | 826 | -28,36 | 6,32 | 6,95 | 0,63 | 0,63 |
| VITACURA | 686 | 373 | -45,63 | 3,76 | 3,14 | -0,62 | 0,62 |
| LO BARNECHEA | 536 | 285 | -46,83 | 2,94 | 2,40 | -0,54 | 0,54 |
| QUINTA NORMAL | 405 | 203 | -49,88 | 2,22 | 1,71 | -0,51 | 0,51 |
| MAIPÚ | 759 | 436 | -42,56 | 4,16 | 3,67 | -0,49 | 0,49 |
| PUDAHUEL | 361 | 185 | -48,75 | 1,98 | 1,56 | -0,42 | 0,42 |
| INDEPENDENCIA | 257 | 119 | -53,70 | 1,41 | 1,00 | -0,41 | 0,41 |
| RECOLETA | 583 | 343 | -41,17 | 3,19 | 2,89 | -0,31 | 0,31 |
| LAMPA | 58 | 64 | 10,34 | 0,32 | 0,54 | 0,22 | 0,22 |
| CERRO NAVIA | 206 | 112 | -45,63 | 1,13 | 0,94 | -0,19 | 0,19 |
| LA FLORIDA | 387 | 273 | -29,46 | 2,12 | 2,30 | 0,18 | 0,18 |
| HUECHURABA | 350 | 244 | -30,29 | 1,92 | 2,05 | 0,14 | 0,14 |
| LA CISTERNA | 167 | 93 | -44,31 | 0,92 | 0,78 | -0,13 | 0,13 |
| SAN BERNARDO | 233 | 138 | -40,77 | 1,28 | 1,16 | -0,12 | 0,12 |
| RENCA | 595 | 374 | -37,14 | 3,26 | 3,15 | -0,11 | 0,11 |
| LA GRANJA | 67 | 56 | -16,42 | 0,37 | 0,47 | 0,10 | 0,10 |
| SAN MIGUEL | 428 | 268 | -37,38 | 2,35 | 2,26 | -0,09 | 0,09 |
| LA REINA | 349 | 218 | -37,54 | 1,91 | 1,83 | -0,08 | 0,08 |
| PADRE HURTADO | 122 | 70 | -42,62 | 0,67 | 0,59 | -0,08 | 0,08 |
| QUILICURA | 319 | 200 | -37,30 | 1,75 | 1,68 | -0,07 | 0,07 |
| ESTACIÓN CENTRAL | 385 | 242 | -37,14 | 2,11 | 2,04 | -0,07 | 0,07 |
| LA PINTANA | 74 | 41 | -44,59 | 0,41 | 0,35 | -0,06 | 0,06 |
| SAN JOAQUÍN | 139 | 83 | -40,29 | 0,76 | 0,70 | -0,06 | 0,06 |
| PEÑALOLÉN | 344 | 231 | -32,85 | 1,88 | 1,94 | 0,06 | 0,06 |
| CONCHALÍ | 208 | 129 | -37,98 | 1,14 | 1,09 | -0,05 | 0,05 |
| PEDRO AGUIRRE CERDA | 75 | 55 | -26,67 | 0,41 | 0,46 | 0,05 | 0,05 |
| SAN RAMÓN | 47 | 35 | -25,53 | 0,26 | 0,29 | 0,04 | 0,04 |
| PUENTE ALTO | 394 | 261 | -33,76 | 2,16 | 2,20 | 0,04 | 0,04 |
| LO PRADO | 151 | 103 | -31,79 | 0,83 | 0,87 | 0,04 | 0,04 |
| CERRILLOS | 129 | 86 | -33,33 | 0,71 | 0,72 | 0,02 | 0,02 |
| MACUL | 273 | 175 | -35,90 | 1,50 | 1,47 | -0,02 | 0,02 |
| LO ESPEJO | 61 | 39 | -36,07 | 0,33 | 0,33 | -0,01 | 0,01 |
| EL BOSQUE | 96 | 63 | -34,38 | 0,53 | 0,53 | 0,00 | 0,00 |
| PIRQUE | 7 | 4 | -42,86 | 0,04 | 0,03 | -0,00 | 0,00 |
Tabla de elaboración propia
| comuna | Q 2023 | Q 2024 | Δ cantidad % | % 2023 | % 2024 | Δ puntos % | Δ absoluta |
|---|---|---|---|---|---|---|---|
| PROVIDENCIA | 6.858 | 4.956 | -27,73 | 37,58 | 41,70 | 4,13 | 4,13 |
| LAS CONDES | 2.106 | 1.102 | -47,67 | 11,54 | 9,27 | -2,27 | 2,27 |
| VITACURA | 955 | 401 | -58,01 | 5,23 | 3,37 | -1,86 | 1,86 |
| LO BARNECHEA | 484 | 226 | -53,31 | 2,65 | 1,90 | -0,75 | 0,75 |
| RECOLETA | 561 | 429 | -23,53 | 3,07 | 3,61 | 0,54 | 0,54 |
| RENCA | 274 | 224 | -18,25 | 1,50 | 1,88 | 0,38 | 0,38 |
| QUINTA NORMAL | 236 | 115 | -51,27 | 1,29 | 0,97 | -0,33 | 0,33 |
| QUILICURA | 211 | 174 | -17,54 | 1,16 | 1,46 | 0,31 | 0,31 |
| PUDAHUEL | 165 | 80 | -51,52 | 0,90 | 0,67 | -0,23 | 0,23 |
| INDEPENDENCIA | 176 | 93 | -47,16 | 0,96 | 0,78 | -0,18 | 0,18 |
| PEÑALOLÉN | 204 | 112 | -45,10 | 1,12 | 0,94 | -0,18 | 0,18 |
| CERRILLOS | 67 | 62 | -7,46 | 0,37 | 0,52 | 0,15 | 0,15 |
| PUENTE ALTO | 179 | 133 | -25,70 | 0,98 | 1,12 | 0,14 | 0,14 |
| SAN MIGUEL | 220 | 159 | -27,73 | 1,21 | 1,34 | 0,13 | 0,13 |
| MACUL | 225 | 131 | -41,78 | 1,23 | 1,10 | -0,13 | 0,13 |
| ÑUÑOA | 738 | 466 | -36,86 | 4,04 | 3,92 | -0,12 | 0,12 |
| ESTACIÓN CENTRAL | 255 | 179 | -29,80 | 1,40 | 1,51 | 0,11 | 0,11 |
| LA REINA | 244 | 146 | -40,16 | 1,34 | 1,23 | -0,11 | 0,11 |
| MAIPÚ | 326 | 224 | -31,29 | 1,79 | 1,88 | 0,10 | 0,10 |
| CERRO NAVIA | 83 | 64 | -22,89 | 0,45 | 0,54 | 0,08 | 0,08 |
| CONCHALÍ | 109 | 81 | -25,69 | 0,60 | 0,68 | 0,08 | 0,08 |
| PEDRO AGUIRRE CERDA | 38 | 34 | -10,53 | 0,21 | 0,29 | 0,08 | 0,08 |
| LAMPA | 55 | 44 | -20,00 | 0,30 | 0,37 | 0,07 | 0,07 |
| LA PINTANA | 38 | 17 | -55,26 | 0,21 | 0,14 | -0,07 | 0,07 |
| LA CISTERNA | 89 | 50 | -43,82 | 0,49 | 0,42 | -0,07 | 0,07 |
| EL BOSQUE | 52 | 40 | -23,08 | 0,28 | 0,34 | 0,05 | 0,05 |
| LA FLORIDA | 230 | 144 | -37,39 | 1,26 | 1,21 | -0,05 | 0,05 |
| SAN JOAQUÍN | 80 | 46 | -42,50 | 0,44 | 0,39 | -0,05 | 0,05 |
| SANTIAGO | 2.326 | 1.521 | -34,61 | 12,75 | 12,80 | 0,05 | 0,05 |
| SAN BERNARDO | 140 | 87 | -37,86 | 0,77 | 0,73 | -0,04 | 0,04 |
| LO PRADO | 60 | 42 | -30,00 | 0,33 | 0,35 | 0,02 | 0,02 |
| PIRQUE | 9 | 3 | -66,67 | 0,05 | 0,03 | -0,02 | 0,02 |
| SAN RAMÓN | 28 | 21 | -25,00 | 0,15 | 0,18 | 0,02 | 0,02 |
| LA GRANJA | 29 | 20 | -31,03 | 0,16 | 0,17 | 0,01 | 0,01 |
| PADRE HURTADO | 48 | 30 | -37,50 | 0,26 | 0,25 | -0,01 | 0,01 |
| LO ESPEJO | 33 | 20 | -39,39 | 0,18 | 0,17 | -0,01 | 0,01 |
| HUECHURABA | 319 | 208 | -34,80 | 1,75 | 1,75 | 0,00 | 0,00 |
Tabla de elaboración propia
Las siguientes tablas muestran la apertura por día de la semana, periodo y sentido del flujo de ambos años, junto con sus variaciones porcentuales. Se debe recordar que estas tablas solo están analizando el trayecto recorrido dentro de la avenida Andrés Bello, no todo el viaje.
| sentido del flujo | periodo | día | 2023 | 2024 | variación % |
|---|---|---|---|---|---|
| oriente a poniente | AM | Lunes | 0,97 | 1,00 | 3,09 % |
| AM | Martes | 0,88 | 1,00 | 13,64 % | |
| AM | Miércoles | 0,93 | 1,00 | 7,53 % | |
| AM | Jueves | 0,97 | 1,00 | 3,09 % | |
| AM | Viernes | 0,97 | 0,97 | 0,00 % | |
| PM | Lunes | 1,14 | 1,28 | 12,28 % | |
| PM | Martes | 1,18 | 1,30 | 10,17 % | |
| PM | Miércoles | 1,26 | 1,30 | 3,17 % | |
| PM | Jueves | 1,26 | 1,29 | 2,38 % | |
| PM | Viernes | 1,25 | 1,31 | 4,80 % | |
| poniente a oriente | AM | Lunes | 1,23 | 1,26 | 2,44 % |
| AM | Martes | 1,17 | 1,26 | 7,69 % | |
| AM | Miércoles | 1,20 | 1,26 | 5,00 % | |
| AM | Jueves | 1,23 | 1,24 | 0,81 % | |
| AM | Viernes | 1,20 | 1,21 | 0,83 % | |
| PM | Lunes | 0,95 | 1,07 | 12,63 % | |
| PM | Martes | 0,98 | 1,06 | 8,16 % | |
| PM | Miércoles | 1,03 | 1,08 | 4,85 % | |
| PM | Jueves | 1,05 | 1,09 | 3,81 % | |
| PM | Viernes | 1,04 | 1,10 | 5,77 % |
Tabla de elaboración propia
En ambos sentidos y franjas horarias, se observa una tendencia general al aumento de las distancias promedio en 2024, especialmente en los días martes, tanto AM como PM.
El mayor aumento se registra el martes AM en el flujo oriente a poniente, con un alza del 13,64%, seguido por el lunes PM en el flujo poniente a oriente (+12,63%).
No hay caídas en ningún día ni combinación, lo que sugiere trayectos ligeramente más extensos tras el fin de la reversibilidad.
| sentido del flujo | periodo | día | 2023 | 2024 | variación % |
|---|---|---|---|---|---|
| oriente a poniente | AM | Lunes | 16,90 | 17,48 | 3,43 % |
| AM | Martes | 13,94 | 17,36 | 24,53 % | |
| AM | Miércoles | 14,93 | 17,56 | 17,62 % | |
| AM | Jueves | 16,78 | 17,12 | 2,03 % | |
| AM | Viernes | 17,00 | 17,12 | 0,71 % | |
| PM | Lunes | 16,20 | 19,52 | 20,49 % | |
| PM | Martes | 16,71 | 19,67 | 17,71 % | |
| PM | Miércoles | 18,89 | 19,67 | 4,13 % | |
| PM | Jueves | 18,93 | 19,71 | 4,12 % | |
| PM | Viernes | 19,15 | 19,95 | 4,18 % | |
| poniente a oriente | AM | Lunes | 17,98 | 18,58 | 3,34 % |
| AM | Martes | 15,38 | 18,34 | 19,25 % | |
| AM | Miércoles | 16,43 | 18,35 | 11,69 % | |
| AM | Jueves | 18,28 | 18,04 | -1,31 % | |
| AM | Viernes | 17,88 | 18,10 | 1,23 % | |
| PM | Lunes | 14,38 | 17,65 | 22,74 % | |
| PM | Martes | 14,97 | 17,67 | 18,04 % | |
| PM | Miércoles | 16,81 | 17,95 | 6,78 % | |
| PM | Jueves | 17,18 | 17,84 | 3,84 % | |
| PM | Viernes | 17,10 | 17,93 | 4,85 % |
Tabla de elaboración propia
Se detecta un aumento generalizado en la duración de los viajes, especialmente en el periodo PM, donde varios días superan el 17% de incremento.
*El martes AM en el flujo oriente a poniente destaca con un alza del 24,53%, y el lunes PM en poniente a oriente sube un 22,74%.
Solo un caso (jueves AM, poniente a oriente) muestra una leve reducción (-1,31%), lo que lo convierte en una excepción puntual.
| sentido del flujo | periodo | día | 2023 | 2024 | variación % |
|---|---|---|---|---|---|
| oriente a poniente | AM | Lunes | 3,97 | 3,90 | -1,76 % |
| AM | Martes | 4,68 | 3,92 | -16,24 % | |
| AM | Miércoles | 4,50 | 3,90 | -13,33 % | |
| AM | Jueves | 3,95 | 4,01 | 1,52 % | |
| AM | Viernes | 3,92 | 3,88 | -1,02 % | |
| PM | Lunes | 4,99 | 4,31 | -13,63 % | |
| PM | Martes | 4,99 | 4,34 | -13,03 % | |
| PM | Miércoles | 4,47 | 4,32 | -3,36 % | |
| PM | Jueves | 4,40 | 4,31 | -2,05 % | |
| PM | Viernes | 4,30 | 4,31 | 0,23 % | |
| poniente a oriente | AM | Lunes | 4,62 | 4,53 | -1,95 % |
| AM | Martes | 5,45 | 4,58 | -15,96 % | |
| AM | Miércoles | 5,05 | 4,58 | -9,31 % | |
| AM | Jueves | 4,52 | 4,63 | 2,43 % | |
| AM | Viernes | 4,49 | 4,47 | -0,45 % | |
| PM | Lunes | 4,84 | 4,14 | -14,46 % | |
| PM | Martes | 4,82 | 4,14 | -14,11 % | |
| PM | Miércoles | 4,31 | 4,11 | -4,64 % | |
| PM | Jueves | 4,19 | 4,21 | 0,48 % | |
| PM | Viernes | 4,15 | 4,16 | 0,24 % |
Tabla de elaboración propia
A pesar del aumento en distancia, la velocidad promedio bajó en la mayoría de las combinaciones, especialmente durante la semana en horario AM.
La caída más pronunciada es el martes AM en el flujo oriente a poniente, con una disminución del -16,24%, coincidiendo con el alza en duración.
Solo algunos días muestran una leve recuperación en velocidad, como el jueves AM en poniente a oriente (+2,43%), aunque son excepciones dentro de un patrón de desaceleración general.